推荐：数据库时代的终结意味着什么？

推荐：数据库时代的终结意味着什么？
2006-12-31 Cbsi中国·PChome.net 类型: 转载 责编: 江海明 分享至微博



说实话，作为一名想在数据库此领域长期发展的DBA，听到这种声音很吃惊，当然也不能苟同。

以数据库为核心的软件时代已经过去，数据库时代早已结束，当我看到J2EE征途中那么多人在对象和数据库之间彷徨痛苦ing的时候，我想我该出来喊一声了。

其实这句话在几年前肯定有人喊过，因为中间件时代的来临，实际意味着数据库时代终结，正所谓一山无二虎：如果你重视数据库，你的J2EE系统就无法完全面向对象，只有你忽视数据库，你的系统才有可能完全迈向面向对象，至于数据库性能调优等特定功能都可交由EJB容器或O/R Mapping工具实现。

很多年前，包括我自己在内的大部分企业程序员都是从数据库开始我们的职业生涯，最早的是dBase/FoxPro，后来有了 SQL系列数据库, Oracle将数据库时代推向了顶峰。

每当有一个新项目时，第一步就是首先设计出数据表结构(Table Schema)，然后开始使用SQL语句实现业务逻辑，这种开发模式一直重复，就是后来加入了DelPhI/VB，他们也只是承担图形显示实现，这种C/S结构带来最大问题是：非常难于维护，修改起来，迁一动百。

软件的生命在于运动，当它需要发展时，最棒的软件人员如果对他也束手无策，这是谁的悲哀？

现在更多人开始接受B/S结构，但是他们中很多人还没有真正明白为什么需要B/S结构，B/S代表的多层架构才是真正目的（因此，伪多层的B/S系统遍地皆是）。

多层架构实际是将以前系统中的显示功能、业务运算功能和数据库功能完全分开，杜绝彼此的耦合与影响，从而实现松耦合和良好的可维护性。

一. 从设计上说：由于实现层次完全分离，业务运算功能成为一种中间功能（中间层），它不依赖具体的表现层技术(Jsp/Html applet等)，也不依赖具体数据库技术（Oracle/SQL Server），业务运算功能运行在J2EE应用服务器中，当我们的业务运算功能不再依赖数据库时，是否意味着数据库已经不是重点？

二. 当然，多层结构带来了性能问题：客户端访问数据库中的数据时，通常需要经过多个层次，非常耗费性能， 如何尽量减少数据库访问是J2EE应用系统首要解决的问题，使用存储过程并没有解决这个问题，存储过程的执行还是属于后端，并没有缩短客户端请求所要经历的坎坷路途。

解决性能问题的根本解决之道是使用对象缓存，现在， 64位CPU提供的巨大内存空间为单台缓存计算提供了硬件基础，更重要的是，这种缓存计算是可伸缩的，通过集群的缓存机制（如JBossCache）， 通过增加应用服务器的数量，可以提高整个业务逻辑层的缓存计算能力，抛弃过去那种为内存斤斤计较的老思维吧。

三. 在系统分析之初是否首先需要数据表设计呢？回答是否定的， 以UML为代表面向对象的分析设计方法已经成为强大工具，随着面向模型驱动分析设计（MDA）的普及， 面向数据库分析方法正在逐步被抛弃，拥有深厚传统数据库分析习惯的程序员必须面对和接受这种挑战。

纵观整个J2EE系统开发过程，数据库已经从过去的中心位置降为一种纯技术实现，数据库只是状态持久化的一种手段（文件是另外一种实现手段）；什么是持久化？这是相对于内存缓存状态而言，持久化就是当内存断电情况下能永久保存状态数据，但是如果J2EE应用服务器是7X24小时集群运行；几乎永不当机，是否有持久化的必要呢？

很显然，数据库已经沦为与操作系统中文件系统同样的层面，以它为中心的时代真的结束了，IBM早期将DB2数据库开源已经强烈向我们昭示这点。

对于J2EE初学者来说，尽早抛弃过去的两种影响：过程语言编程习惯和以数据库为中心的设计习惯，从全新的面向对象角度(OOA、OOD和OOP、AOP)来设计开发你的J2EE系统，J2EE设计开发三件宝：Model、Patterns和Framework。

以上不只是理论，而是我每天正在做的，如果你也是或赞同请广为传播，唤醒更多彷徨痛苦的初学者。

语言的突破, CRM

读书笔记

Dale: Speaking effectively

1.紧张：假设听众都欠你的钱并且恳请你延后几天

2.手势不要结束的太快。在整句话中维持

3.聚拢听众，事半功倍



CRM原理 设计 实践

老何此书相当不错，理论严谨，分析具体，甚至连.Net都介绍到了，比某CRM专家的书要好得多（不知所云）

经典摘抄：国外企业CRM实践太重视技术，常常以消减人手作为最大的ROI，这常常导致客户满意度问题。类似西医头痛医头。

Dell 2001应收28亿，应付60亿，说明上游供应商对它的信任以及其巨大资本

企业要刚柔相济，dell应该在品牌里摒弃暴发户和冷酷资本家形象，加入品质，创新，亲和

项目要素：目标，时间，资源。围绕人财物三个核心，通过目标发现，明确定义项目目标，通过资源控制费用，通过时间为主线规定项目活动的进程

活动空间
完整的CRM系统至少要支持销售，服务，营销这3个领域。

首先，要肯定有这样一种风险（项目实施变动）存在。其次，要想办法降低风险水平

中国企业钱袋子普遍比较紧，难于大量投入到CRM技术，但中国人力资源世界第一，中国人聪明好学，CRM实践在企业内部的成功率必然高得多.另外由于历史原因，中国客户还是比较容易满足的，对他们适度关心一点，虽然不说他们就一定感恩戴德，但起码能让他们感受到做“上帝”的尊严，这个长期处于欠满足状态下中国人特有的心理需要是如今的中国企业必须正视的。

（我认为也会有投桃报李的效果）

中国移民多的地方，日用品价格一般也低，但服务就相对差异点。另外，很多中国人做生意赚得利润相对也低，赚钱没有老外赚得狠，有时候了解到老外的巨额毛利真是有点惊讶。

有篇文章提到美国GDP里水分很大，指的就是服务水分，而我们中国的计算可是“货真价实”的，而且还说在打战时比较有优势，这里提到的货真价实大概就是说中国经济总量中服务的含量比较低的意思

勤劳而不原意花钱买服务，导致有钱也没有时间花，这应该是“中国人活得比较累”这个提法的另一个侧面了。如果这种现象过于普遍，对于经济发展是没有好处的。

中国企业从事CRM实践时，无法回避中国客户比较重视价格轻视服务的现实状态，要让大众改变这个思维，不是一朝一夕的事情

这个现象对CRM实践最根本的危害是导致其效果大打折扣。客户一方面对良好服务赞不绝口，另一方面又抵制不了“价格低，服务差”的诱惑。（自我反省ing)

不重视CRM实践的企业只要打一打价格牌，中国客户就很可能成为俘虏。

net主要由CLR和unified classed构成（包含asp.net的各种类，控件）
唯一语言缺陷目前看到的是：hierarchy说成蜂窝状。这词怎么翻译也不是蜂窝吧。


最近非常流行神经语言编程，路过书店全部橱窗里的书都是这个，据哥哥说是以培训激发为主

change your life in 7 days

巴普罗夫的狗的口水反射实验。在change ur life in 7days里有精彩应用：

建立神经反射通道： 某个手势，可以迅速让你进入良好的自信状态

回忆过去最成功，最自信的时候，回忆到细节。。。

捏一下中指和大拇指（建立条件反射通道）

反复几次，每日练习。。

这就是你的自信开关，需要自信时，一开就来！

fwd:好书 及读SQL 2005 DM笔记

Beyond Java, 作者是Bruce Tate,就是那本 Better,Faster,Lighter Java的作者，喜欢炫耀自己在河里泛舟的能力，然后打个蹩脚的比喻。因此每章的开头，我基本都是之间掠过的。这本书还是很有趣的，作者分析了Java语言和其他语言（主要是动态语言）的优势和劣势，探讨了程序设计语言的未来。是一本很薄的小书，190页左右的内容。

3 O’relliey出的那本web service 精髓。这本书前半部分写的蛮不错，后半部分就基本可以忽略不看了——那些工具实在是有些太老了。

4 XML Hacks，同样是O’relliey出品。100个关于XML的Hacks，非常的实用。

5 语义网原理与技术。国内出的书，看了下目录，本以为还是泛泛之谈，看完之后觉得比较精彩。许多之前自己的一些困惑与猜想基本上在这本书中找到了解答。可以看出，作者对语义网的理解还是很透彻的。虽然书中也有很多段落是被许多人早就用烂了的段落——包括那张极其俗的语义网分层结构图，不过应该还算是本好书。

6 单元测试之道，The Pragmatic Starter Kit之第二部，是用JUnit作例子的，因此看起来很快。如果不知道单元测试是怎么回事情，这本书蛮好的。



Data.Mining.with.SQL.Server.2005此书不知所云，做参考手册也显然不够详细，千万别读。



a case table is usually a dimension table, whereas a nested table is a fact table.

The concept of nested cases proposed in OLE DB for Data Mining is
extremely important . It helps you model complicated cases with one-to-many
relationships. It adds lots of expressive power for model building. Without the
nested case concept, you would need to pivot the nested table to case level
attributes during the data transformation stage.

models built with nested cases:
Create mining model MemberCard_Prediction
(
CustomerId long key,
Gender text discrete,
Income long continuous,
MemberCard text discrete predict,
Purchase table (
ProductName text key,
Quantitylong continuous
)
)
Using Microsoft_Decision_Trees

In DMX, a mining model is considered the same as a relational table. Conceptually,
a trained mining model can be considered a truth table.


即某个单元是一个TopCount所选出来的表
As the result of TopCount is a table column, we can apply a subelect clause
to the result of TopCount function (or any prediction function returns table
column). The following is an example:
Select CustomerId, Gender, (Select MemberCard, $Probability as Proba
From TopCount(PredictHistogram(MemberCard), $Probability, 2) As
ProbabilityHistogram).

用Nature Prediction节约列名指定

If the column names of the input case match the column names of the mining
model, you don’t need to specify the On clause in the Prediction Join query.
Instead, you can use Natural Prediction Join. It works for both the batch
prediction query and the singleton prediction query. For example:
Select CustomerId, MemberCard
From MemberCard_Prediction Natural Prediction Join
(Select ‘Male’ As gender, ‘35’ As age, ‘Engineer’ As
Profession,’60000’ As Income, ‘Yes’ As HouseOwner) As customer


SQL Server
Data Mining is a server based solution. 其数据源必须要从server端可访问
In general, when mining on local data, you
should move the data to a SQL Server database using SQL Server Integration
Services (SSIS) before building your models.

Mining structure and Mining model有两种模式,immediate and offline（后者允许cvs，但变动需要publish到server上）

雪花结构是星型结构的普例：Star schemas can be considered special kinds of snowflake schemas,where there is no lookup table.

Measures are the numeric values to be aggregated by the cube. Each measure specifies an aggregate function include Sum, Min, Max, Average, Distinct Count, and so on.

如何建立cube:Acube contains a set of dimensions and measures. There are two steps to processing
a cube: dimension processing (if a dimension hasn’t been processedpreviously) and cube processing. Dimension processing reads dimension data
from underlying dimension tables, builds the dimension structure, creates
hierarchies, and assigns members to proper levels of the hierarchy. After all the
dimensions are processed, cube processing can be started.

The main task of cube processing is to precalculated aggregations based on
the dimension hierarchies. When there are many dimensions and each dimension
contains several levels and many members, the total number of aggregations
could be exponential.

One of the challenges of cube processing is to
choose the optimal number of aggregations to precalculate. Other aggregated
values can be derived from those precalculated measures efficiently. For example,
if the monthly Store_Sales values are preaggregated, quarterly and yearly
Store_Sales values can be derived easily.

统一纬度模型
You can think of a UDM as a combination
of cubes and dimensions.

OLAP对挖掘有用:in many cases, patterns can be found only in aggregated data. It is difficult to discover patterns directly from the fact table.


什么是data mining dimension.
For decision trees, the dimension members represent the tree nodes. The Model_Content schema rowset is like a
parent-child dimension, where each node has a parent node.
If you ask to create a data mining dimension in the DMW, after processing
the mining model, Analysis Services creates a new dimension based on the
mining model content.

The ADO libraries wrap the OLE DB
interfaces into objects that are easier to program against.


data, much as ADO was
created for native languages. The philosophy of ADO.NET is somewhat different
from that of ADO in that ADO.NET is designed to work in a “disconnected”
mode, where data can be accessed and manipulated without
maintaining an active connection

You should use ADOMD.NET when writing data mining client applications
except when .NET is not available.

ability you gain by using the ADOMD.NET object
model is the ability to iterate mining model content in a natural, hierarchical,
manner using objects instead of trying to unravel the flat schema rowset form.

Singletoon( single case prediction)

ADO.net can do everything munually in DM

用存储过程可以避免从client到server查询诸如1000树x1000节点却只有几个符合过滤条件的情况
The clear advantage of ADOMD+ is that all of the content is available on
the server, and you can return only the information you need to the server. You
can call UDFs by themselves, using the CALL syntax or as part of a DMX query.
For example, the following query:
CALL MySprocs.TreeHelpers.FindSplits(‘Generation Trees’,’HBO’)


决策数易忽视高度相关
In many cases, the Microsoft Decision Trees algorihtm performs well for
association tasks. However, decision trees may ignore patterns in some cases.
For example, The GodFather, GodFather II, and Godfather III are highly
correlated. In the tree of GodFather III, the first split is on Godfather II. The
Godfather and Godfather II are highly correlated. Those who like GodFather II
also like The Godfather. Since the split on Godfather II is almost equivalent to
splitting on The Godfather, after the first split, there aren’t any further splits on
The Godfather. The dependency network is generated based on the top three
levels of decision tree splits. As a consequence, no link exists between The
GodFather and Godfather III in the depency network. For associative prediction
queries given The Godfather, the predicted results won’t contain Godfather III,
since this pattern is covered by Godfather II.
This phenomenon is due to the nature of decision trees. It may hide
information if some input attributes are highly correlated. The general
recommendation for this is to try using several different algorithms.

好书待读：

统计，改变了世界

第一章就提到《女士品茶

《随机性》一书也不错

刚开始用jena，用的郁闷。完善本体？本体演化？

想把用户输入（一些限制条件）对应到本体上的某些class，估计要用到推理啥的，所以用的jena api，好像这东西不像想象中智能啊。。

比如设计个健康饮食指导系统，用户输入 喜欢吃川菜， 糖尿病人，有一个建立好的健康饮食本体（也需要侦听用户的输入、反馈并用于充实本体内容），想查询出一些“no鱼香肉丝”，“四川驻京办”（这个属于本体的instance吧）。

这其中jena到底能做哪些推理，正在琢磨，修改本体和增加实例好像是没问题。。

owl thing的疑问（将继续更新）

用的是Protege, 处于看文档探索阶段
如果是普通子类，增加一个实例的时候，（事先建好关联的)属性都会自动出来
如果增加一个thing的intance，那么必须手工添加属性，才会出现在实例里
这里有2个问题：1。正常情况下，会有人建thing的实例吗？
2。属性的域是否可以有多个？（好像可以）
建立属性的时候，是否一定要把默认的定义域thing用其他的定义域替换掉（似乎是默认操作）？保留thing在定义域列表里会有什么问题吗？
之后我想把thing从定义域移除的时候，得到java异常，提示说owl可能不相容了，最好另存

算法分析读后

A Microeconomic Data Mining Problem:Customer-Oriented Catalog Segmentation
本文讨论了greedy算法的不足，只能找到局部极值，因为牵扯到the heuristic nature of the quality criteron，而又没有回顾backtracking (after sub-optimization或前瞻look ahead能力

改进办法适用randomize algorithm in a two-step approach(Random-Product-Fit):

1. Use greedy to find segments

2. resulting catalogs and corresponding clusters are iteratively optimized by randomlyre placing one catalog product bya non-catalog product (Random-Product-Switch).

Rebecca案例的JACA方法

决策的有关评论

记住下面三点是决策的大忌。1）认识不清，2）不知条件限制，3）不知道整合资源。那么你的决策能力就高人一筹。你运用的越熟练你的能力越强。时间长了，你超强“商业敏感度和深入性”不就有了吗？


一个人采取某种行动的可能性可以用一种叫做JACA的方法来预测

J正当性：　　由于陆本人不职业的行为（不管怨气有多大，此事完全可以二人之间沟通），瑞邮件中的6点已经充分说明了在她本人看来，她的行动的正当性了；　　

A替代方案　　如果有替代方案的话，或许事件会向不同的方向演进，问题在于陆将邮件CC，基本就堵死了出现替代方案的可能了，因为所有的高层都会认识到一点：瑞不可能被留下来继续象以往一样为陆以及其他高层服务了；　　

C后果：　　无论瑞采取任何其他行动，她的位置都保不住了，那么选择忍气吞声还是反击呢？显然前者的后果对瑞实在是太亏了，那么反击呢？EMC是一家外企，对于习惯推卸责任这种具有“失败者”特征的行为，基本是0容忍的，所以只要指明这一点，陆不但在EMC没有前途，而且在所有的外企基本都没指望了（所以瑞在说明自己行为正当之后立刻就指明这点），同时事件爆发后，瑞自己很快会获得新的机会（一是有了知名度，二是证明自己的能力！），而且就算没有机会，同归于尽也比自己受苦好啊，（事实上结果正是这样，陆很快就滚蛋并退休了，而瑞去找到了新工作，毕竟“在EMC服务多年，并做到了大秘书”也是她的本钱，而因为陆自己的过失而失去工作也值得同情）；　　

A能力　　瑞作为长期为EMC服务的高级秘书，绝对有能力短时间内把此事扩大到全公司范围。　　　　一旦JACA四要素全部成立，基本上行动立刻就会被付诸实施。　　　　现在想来，陆在把其他高层加到CC清单里才是一时冲动，一失足成千古恨啊

终于知道什么叫BPR商业流程再造了

原来就是减少人手，简化流程。看这文章看得怪恐怖的，总是琢磨着减少雇员人数。好多公式阿


doi:10.1016/S0305-0483(99)00015-8
Business process reengineering: an approach for process mapping
Tariq A. Aldowaisan and Lotfi K. Gaafar

几种mixed type data聚类算法解读与讨论

考虑到很多数据库同时含有数值+类型型的数据，最近看书,看到3个不错的算法，

算法1，2007年1月由台湾人提出：给类型数据用distance hierarchy来衡量其距离（保留了语义semantic,比k-mode/k-prototype只管类型是否相同，要好）。
Mining of mixed data with application to catalog marketing
To express the similarity between categorical values, distance hierarchy has been proposed. Accordingly, the similarity of the categorical part is measured based on entropy weighted by the distances in the hierarchies. A new validity index for evaluating the clustering results has also been proposed
算法2，由大陆人提出，步骤如下：
1。强行把一个库分为数值属性和类型2个部分； 2。分别用简单高效的算法对数值，类型聚类，这样自然避免了其他折衷（改进）带来的问题 3。再把2头生成的簇合并，考虑到聚类就是一个打标签（类型）的过程，用类型数据聚类的办法来解决之
这种分而治之的思路很强悍！（divide and conquer)
Mining of mixed data with application to catalog marketing · ARTICLE Expert Systems with Applications, Volume 32, Issue 1, January 2007, Pages 12-23
Clustering Categorical Data:A Cluster Ensemble Approach <<高技术通讯（英文版） >>2003年04期 Deng Shengchun , Xu Xiaofei , He Zengyou(何增友)
Clustering categorical data, an integral part of data mining,has attracted much attention recently. In this paper, the authors formally define the categorical data clustering problem as an optimization problem from the viewpoint of cluster ensemble, and apply cluster ensemble approach for clustering categorical data. Experimental results on real datasets show that better clustering accuracy can be obtained by comparing with existing categorical data clustering algorithms
算法3，希腊人提出，在文献2得引文19，采用同一算法，运行多次，对逐次结果进行合并，并统计对各簇的归属度，再用某种criteria来优化确定簇 数(root square之类），效果比起普通的greedy EM算法来，确定的簇数和分簇形状十分准确。
A Multi-Clustering Fusion Algorithm, Proc. of the Second Hellenic Conference on AI


讨论：
算法2对如何合并两种不同类型数据的结果簇，语焉不详，比希腊人的论文差太多了！鄙视之！ 第三篇论文推荐认真读，很爽的！

老生常谈：CRISP-DM

今天又看回了CRISP-DM的流程模型介绍文档。
发现非常之详细有用，模型除了大家耳熟能详的6阶段，还提出了分4层的模型，最上面是6阶段，下一层是通用任务（对6个阶段的每个进行任务分解），在下一层是具体任务（通用任务在具体的情况下应该采取什么行动）。比如通用任务是数据清洗，具体任务则有数值数据清洗，或是否判断问题类型是聚类或预测。 最下一层是流程实例，即某次挖掘的行动、决定和结果记录。
CRISP-DM还提出了数据挖掘上下文的概念，对于将通用模型映射到具体模型很有用，其由下列某些或全部维度特征组成： 问题域、数据挖掘问题类型、技术面、工具包和具体技术。 无论是挖掘理论，或者某次挖掘，都是可以用这个上下文来描述，并且互相关联的。
杂谈：
这种映射可能需要规则推理（替换）+基于案例的推理，可以考虑用owl, ruleml, swrl来实施。
和我最早懵懵懂懂提出的context，其实还是一个方向，原来这几个公司的哥们早就替我想好了，转了一圈看了n多东西，又回来到这篇没认真读完（或者当时读了也不懂）的文档上。下一步要做的就是改进和实例化
笔记：启发式heuristic：一种妥协式的方法，不保证能找到最优/正确解，也不保证时间，只是提出貌似可行的解

（转）天涯的有趣讨论

阿育王是在统一印度的过程中发现杀伐太重，因而改信并宣扬佛教的，与武力传教何干？阿育王后来少有战事，却是佛教之功。佛教是无神论的宗教，甚至从某种意义上说，并非宗教，神佛菩萨是在部派佛教逐渐向大乘佛教发展的过程中，同时又吸收了印度教和耆那教的过程中产生的，因此比原始佛教多了些封建迷信和宗教神性在其中。　　佛陀反对偶像崇拜，迷信权威，他认为法尚应舍，何况非法？即使是他的教法也不可盲目相信，而要自己去印证，这也正是佛陀让我尊敬之处。　　题外话：如果佛陀知道后世之人把他当作万能大神泥塑木雕地供在庙里，恐怕当日会多些严厉的教条吧

面的来历

我大汉文化，源自上古，长与魏晋，发扬于唐宋，未曾灭于禄山，多葬于赵钩官家之手，沦丧于蒙及后金，而今却要毁于国贼！

天下当共讨之！彼虽窃据上位，视公器若己物，岂知不若沐猴而冠者！吾虽远居于化外，几身为夷，心尤在汉，当效孙字文者而，赴国难解民之倒悬！

作者:crystal 2007-5-16 16:23:05 回复留言


过生日吃面条的来历
有许多地方，特别是一些农村，人们过生日往往都要吃面条，即所谓吃“长寿面”，简称“寿面”。 过生日为什么要吃面条呢？ 传说远古的时候，我国有五个贤明的帝王，即黄帝、颛顼、帝喾、唐尧、虞舜。颛顼帝的玄孙姓籛名铿。“善调雉羹（即野鸡汤）以事帝尧，为尧所赞美，封之于彭城。”籛铿活了七百六十七岁（也有的说活了八百多岁），人称彭祖。 汉武帝时，有一天议完朝政，君臣闲谈称寿。有人说：脸长寿就长。也有人说：人中长寿更长。大臣东方朔说：若人中长就长寿，彭祖活八百岁，脸不知多长！他的话说得君臣皆捧腹大笑。 东方朔的这些话传到民间后，逐渐就变样了，“脸长寿长”被说成“面长寿长”。为图吉祥，为求长寿，慢慢形成了过生日吃长寿面的习俗。 注：彭城，相传尧封彭祖于此，为大彭氏国。春秋时宋邑，秦置县。治所在今江苏徐州市

如三鲜伊面、四川担担面、岐山臊子面、 韩城大刀面、酸辣老友面等不胜枚举。仅以三鲜伊面为例，该面又称孝子面。据史载，伊尹的母亲常年卧病，其子为母亲特制用鸡蛋和面，揉擀切条之后，蒸熟后用油煎，即使人不在家，母亲也能很方便的吃面，而且久放不腐。吃面时浇的汤是用鸡、猪骨及海鲜炖制的。其母在伊尹的精心照料下身体康复，所以三鲜伊面又称孝子面。而三鲜伊面的加工方法和现在工业化的方便面十分相似。 至于四川的担担面更是家喻户晓，陈宝宝是挑担沿街叫卖的卖面的小贩，担担面的担上不仅佐料齐全，而且有锅有火炉，现吃现煮要吃多少就煮多少，要加什么佐料就有什么，这种全心全意为消费者服务的经营理念是“担担面”长盛不衰的真谛。 脍炙人口的陕西岐山“嫂子面”或称“臊子面”也蕴含着深深的哲理。据载有一穷书生因无父母由哥嫂抚养，嫂子不仅做的面条好而且卤好，为了让小叔子读好书求功名，一家人省吃俭用，嫂子特为他打的卤中有肉有菜，齿间留香，还用油泼辣子增进食欲，小叔子果然中举，所以该面誉为嫂子面。于是很多人为让自己的孩子求功名，也仿制这种打卤面，但屡屡落榜，羞愧无颜，故又称“臊子面”。 广西酸辣老友面是说某人常到一家周氏茶舍去喝茶，后病在家中，周氏店主发现此人未到茶舍，亲自登门知道老朋友病了，特制了一大碗酸辣汤面，并佐以爆香的蒜末和豆豉送上门，老朋友吃完出了一身大汗，身体康复，故称“老友面”。以上所举仅凤毛麟角，挂一漏万，但足以说明通过吃，所传递的是人与人之间的真、善、美，是人与人之间的依恋和慰藉，这正是真正发生在我们生活中，无时无刻不在影响我们，既看不见又摸不着的人情与人性

夜航船》：“魏作汤饼，晋作不托。”（张岱自注：“不托即面，简于汤饼。”） 实际面条之起源，大约早于魏。东汉刘熙《释名》“饼”中已提及“蒸饼、汤饼、蝎饼、髓饼、金饼、索饼”等饼类，按刘熙“随形而命之”的说法，“索饼”有可能是在“汤饼”基础上发展成的早期的面条，那么，东汉时已有之。面条显然是由汤饼发展而成的。汤饼今人考实际是一种面片汤，将和好的面团托在手里撕成面片，下锅煮成。这种汤饼始于汉代，是面条的前身。从汤饼的基础上，又发展成“索饼。”《释名疏证补》：“索饼疑即水引饼。” 《齐民要术》记有“水引饼”的做法：“细绢筛面，以成调肉〔月霍〕汁，持冷溲之。水引，按如著大，一尺一断，盘中盛水浸。宜以手临铛上，揉搓令薄如韭叶，逐沸煮。”先揉搓到像筷子那样粗细，一尺长的段，再在锅边上揉搓到韭菜叶那样薄，这时的片儿已类似宽面条了。 《事物纪原》说：“束皙《饼赋》曰：‘朝事之笾，煮麦为面。’则面之名，盖自此而出也。魏世食汤饼，晋以来有‘不托’之号，意‘不托’之作，缘汤饼而务简矣。今讹为‘馎饦，亦直曰面也。”高承的说法，人称“不托”之后，离后来的面条就近了。“不托”有说是“不托”者所创，大约是后人的臆测。高承又说：“魏晋之代，世尚食汤饼，今索饼是也。

面条作为一种世界性的大众食品，很多国家都声称拥有面条的发明权，其中以意大利、阿拉伯和中国三家为主。最近，著名的英国《自然》杂志发表了一篇题为《中国新石器晚期的小米面条》的论文，称中国考古学家在青海[被屏蔽广告]的一个遗址中找到了距今约4000年的面条实物，面条“发明权”之争宣告终结。 2002年10月中旬，中国社会科学院研究员叶茂林带领工作人员在青海民和县喇家新石器遗址上发现了一个倒扣着的碗，在碗形泥土的顶端，也就是原碗的底部位置上，赫然躺着一团鲜黄色的线状物，质地柔软，外表形似我们今天常吃的“拉面”，粗细相当均匀，直径只有约0.3厘米，长达50厘米

Academic writing

1: read out loud, to your partner, to a dog, a cactus...

We have a voice and a voice in mind, read out loud helps to acquire your own English and make two voice working in harmony

2: leave the writing for days ( distraction), forget about the framework you used to produce/evaluate article, then come back and you will have new ideas and updates

Negotiation Skills

习得的：
如果谈不拢，propose a further meeting. Leave the door open

think about of the box, 不要被对方的假设前提框住。

对事不对人，don't make it personal

something I thought:

declare my must target at the beginning, to shock and imply the counterpart

读书笔记：《商业建模与数据挖掘〉

1。

什么情况下，考虑variance(不同概率结果的差异）

决策时，考虑风险，用的是不同可能结果的利润产出间的差值（variance), 除了期望利润还要考虑这个？

想了一下，只有当对不同结果的概率值预测信心不足的时候，才有必要考虑，也就是说，惧怕损失，即使损失的概率计算出来很小的时候。

更稳妥的指标是风险度，取值在+1到-1，用满意（最大可能收益）和后悔（最大可能损失）来算出

2。

类比metaphore,属于一种很好地认识世界的手段。 作者建议：买一本其他领域的杂志，其中一定能找出一种或多种方法，可以用于解决本领域的问题。这样可以极大地扩张发现相似点和从不同新角度来看问题的能力